如何使用
将一段文档传入BeautifulSoup 的构造方法,就能得到一个文档的对象, 可以传入一段字符串或一个文件句柄.
from bs4 import BeautifulSoup
soup = BeautifulSoup(open(“index.html”))
soup = BeautifulSoup(“data”)
首先,文档被转换成Unicode,并且HTML的实例都被转换成Unicode编码
BeautifulSoup(“Sacré bleu!”)
Sacré bleu! 然后,Beautiful Soup选择最合适的解析器来解析这段文档,如果手动指定解析器那么Beautiful Soup会选择指定的解析器来解析文档.(参考 解析成XML ).对象的种类
Beautiful Soup将复杂HTML文档转换成一个复杂的树形结构,每个节点都是Python对象,所有对象可以归纳为4种: Tag , NavigableString , BeautifulSoup , Comment .
Tag
Tag 对象与XML或HTML原生文档中的tag相同:
soup = BeautifulSoup(‘Extremely bold’)
tag = soup.b
type(tag)
<class ‘bs4.element.Tag’>
Tag有很多方法和属性,在 遍历文档树 和 搜索文档树 中有详细解释.现在介绍一下tag中最重要的属性: name和attributes
Name
每个tag都有自己的名字,通过 .name 来获取:
u’b’
如果改变了tag的name,那将影响所有通过当前Beautiful Soup对象生成的HTML文档:
tag.name = “blockquote”
tag
Extremely bold
Attributes
一个tag可能有很多个属性. tag 有一个 “class” 的属性,值为 “boldest” . tag的属性的操作方法与字典相同:
tag[‘class’]
u’boldest’
也可以直接”点”取属性, 比如: .attrs :
tag.attrs
{u’class’: u’boldest’}
tag的属性可以被添加,删除或修改. 再说一次, tag的属性操作方法与字典一样
tag[‘class’] = ‘verybold’
tag[‘id’] = 1
tag
Extremely bold
del tag[‘class’]
del tag[‘id’]
tag
Extremely bold
tag[‘class’]
KeyError: ‘class’
print(tag.get(‘class’))
None
多值属性
HTML 4定义了一系列可以包含多个值的属性.在HTML5中移除了一些,却增加更多.最常见的多值的属性是 class (一个tag可以有多个CSS的class). 还有一些属性 rel , rev , accept-charset , headers , accesskey . 在Beautiful Soup中多值属性的返回类型是list:
css_soup = BeautifulSoup(’
’)css_soup.p[‘class’]
[“body”, “strikeout”]
css_soup = BeautifulSoup(’
’)css_soup.p[‘class’]
[“body”]
如果某个属性看起来好像有多个值,但在任何版本的HTML定义中都没有被定义为多值属性,那么Beautiful Soup会将这个属性作为字符串返回
id_soup = BeautifulSoup(’
’)id_soup.p[‘id’]
‘my id’
将tag转换成字符串时,多值属性会合并为一个值
rel_soup = BeautifulSoup(‘
Back to the homepage
’)rel_soup.a[‘rel’]
[‘index’]
rel_soup.a[‘rel’] = [‘index’, ‘contents’]
print(rel_soup.p)
Back to the homepage
如果转换的文档是XML格式,那么tag中不包含多值属性
xml_soup = BeautifulSoup(’
’, ‘xml’)xml_soup.p[‘class’]
u’body strikeout’
可以遍历的字符串
字符串常被包含在tag内.Beautiful Soup用 NavigableString 类来包装tag中的字符串:
tag.string
u’Extremely bold’
type(tag.string)
<class ‘bs4.element.NavigableString’>
一个 NavigableString 字符串与Python中的Unicode字符串相同,并且还支持包含在 遍历文档树 和 搜索文档树 中的一些特性. 通过 unicode() 方法可以直接将 NavigableString 对象转换成Unicode字符串:
unicode_string = unicode(tag.string)
unicode_string
u’Extremely bold’
type(unicode_string)
<type ‘unicode’>
tag中包含的字符串不能编辑,但是可以被替换成其它的字符串,用 replace_with() 方法:
tag.string.replace_with(“No longer bold”)
tag
No longer bold
NavigableString 对象支持 遍历文档树 和 搜索文档树 中定义的大部分属性, 并非全部.尤其是,一个字符串不能包含其它内容(tag能够包含字符串或是其它tag),字符串不支持 .contents 或 .string 属性或 find() 方法.
如果想在Beautiful Soup之外使用 NavigableString 对象,需要调用 unicode() 方法,将该对象转换成普通的Unicode字符串,否则就算Beautiful Soup已方法已经执行结束,该对象的输出也会带有对象的引用地址.这样会浪费内存.
BeautifulSoup
BeautifulSoup 对象表示的是一个文档的全部内容.大部分时候,可以把它当作 Tag 对象,它支持 遍历文档树 和 搜索文档树 中描述的大部分的方法.
因为 BeautifulSoup 对象并不是真正的HTML或XML的tag,所以它没有name和attribute属性.但有时查看它的 .name 属性是很方便的,所以 BeautifulSoup 对象包含了一个值为 “[document]” 的特殊属性 .name
u’[document]’
注释及特殊字符串
Tag , NavigableString , BeautifulSoup 几乎覆盖了html和xml中的所有内容,但是还有一些特殊对象.容易让人担心的内容是文档的注释部分:
markup = “
”
soup = BeautifulSoup(markup)
comment = soup.b.string
type(comment)
<class ‘bs4.element.Comment’>
Comment 对象是一个特殊类型的 NavigableString 对象:
comment
u’Hey, buddy. Want to buy a used parser’
但是当它出现在HTML文档中时, Comment 对象会使用特殊的格式输出:
print(soup.b.prettify())
Beautiful Soup中定义的其它类型都可能会出现在XML的文档中: CData , ProcessingInstruction , Declaration , Doctype .与 Comment 对象类似,这些类都是 NavigableString 的子类,只是添加了一些额外的方法的字符串独享.下面是用CDATA来替代注释的例子:
from bs4 import CData
cdata = CData(“A CDATA block”)
comment.replace_with(cdata)
print(soup.b.prettify())